沙丘社区
论文

解码机器学习决策：面向大规模排序系统的Agentic推理框架

Decoding ML Decision: An Agentic Reasoning Framework for Large-Scale Ranking System

Longfei Yun, Yihan Wu, Haoran Liu, Xiaoxuan Liu, Ziyun Xu, Yi Wang, Yang Xia, Pengfei Wang, Mingze Gao, Yunxiang Wang, Changfan Chen, Junfeng Pan
应用与实践智能体系统Agent HarnessAgent Skills结构化分析、预测与决策

摘要

现代大规模排序系统在竞争目标、运营约束与不断演进的产品需求交织的复杂格局中运行。该领域的进展日益受制于工程语境约束——把模糊的产品意图转译为合理、可执行、可验证假设的艰巨过程，而非仅受建模技术制约。我们提出GEARS（Generative Engine for Agentic Ranking Systems），该框架把排序优化重构为可编程实验环境中的自主发现过程。GEARS不把优化视为静态的模型选择，而是利用Specialized Agent Skills把排序专家知识封装为可复用的推理能力，让运营者能通过高层意图的vibe个性化来引导系统。此外，为保障生产可靠性，该框架内置验证钩子以强制统计稳健性，过滤掉过拟合短期信号的脆弱策略。跨多样产品面的实验验证表明，GEARS通过算法信号与深层排序语境的协同，持续找到更优、近似帕累托有效的策略，同时保持严格的部署稳定性。

解码机器学习决策：面向大规模排序系统的Agentic推理框架
图1：使用GEARS进行实验驱动优化的端到端工作流：从实验链接出发，GAS智能体在候选策略上搜索以生成洞见（例如头部指标之间的权衡），随后进行特征理解、验证与建议（稳定性与可解释性检查），最终得到自动生成的迭代排序配置。